李再華 劉明昆

（1.中國電力科學(xué)研究院，北京 100192；2.北京供電公司海淀供電分公司，北京 100086）

1 引言

電網(wǎng)的發(fā)展和社會(huì)的進(jìn)步都對(duì)電網(wǎng)的運(yùn)行提出了更高的要求，加強(qiáng)對(duì)電網(wǎng)故障的診斷處理顯得尤為重要。隨著計(jì)算機(jī)技術(shù)、通信技術(shù)、網(wǎng)絡(luò)技術(shù)等的發(fā)展，采用更為先進(jìn)的智能技術(shù)來改善故障診斷系統(tǒng)的性能，具有重要的研究價(jià)值和實(shí)際意義。

故障的智能診斷技術(shù)也被稱為智能故障診斷技術(shù)，包括專家系統(tǒng)（Expert System，ES）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、決策樹（Decision Tree，DT）、數(shù)據(jù)挖掘（Data M ining，DM）、模糊論（Fuzzy Theory，F(xiàn)T）、Petri網(wǎng)理論（Petri Network Theory，PNT）、支持向量機(jī)（Support Vector Machine，SVM）、仿生學(xué)理論（Bionics Theory，BT）的應(yīng)用等，其中前四種技術(shù)得到了較多的研究，相對(duì)比較成熟和常用。本文對(duì)電力系統(tǒng)故障診斷領(lǐng)域的智能診斷技術(shù)的發(fā)展現(xiàn)狀以及存在的問題進(jìn)行綜述，并對(duì)解決相關(guān)問題的方法進(jìn)行了總結(jié)。

2 智能故障診斷技術(shù)發(fā)展現(xiàn)狀

美國是對(duì)故障診斷技術(shù)進(jìn)行系統(tǒng)研究最早的國家之一，1961年美國開始執(zhí)行阿波羅計(jì)劃后，出現(xiàn)了一系列設(shè)備故障，促使美國航天局和美國海軍積極開展故障診斷研究。目前，美國在航空、航天、核工業(yè)以及軍事部門中診斷技術(shù)占有領(lǐng)先地位，英國在汽車和飛機(jī)工業(yè)、發(fā)電機(jī)監(jiān)測(cè)和診斷方面具領(lǐng)先地位，日本在鋼鐵、化工和鐵路等行業(yè)的診斷技術(shù)方面處于領(lǐng)先地位。據(jù)日本統(tǒng)計(jì)，在采用診斷技術(shù)后，事故率減少了75%左右，維修費(fèi)降低了25%～50%；英國對(duì)2000個(gè)大型工廠的調(diào)查表明，采用診斷技術(shù)后每年節(jié)省維修費(fèi)3億英鎊，而用于診斷技術(shù)的費(fèi)用僅為0.5億英鎊。隨著設(shè)備與系統(tǒng)的復(fù)雜程度的增加，故障診斷的成本也不斷增加，促使人們開始轉(zhuǎn)向?qū)で蟾摺爸悄堋钡墓收显\斷。

智能故障診斷是相對(duì)于傳統(tǒng)的故障診斷而言的。傳統(tǒng)的故障診斷方法可分為基于信號(hào)處理的方法和基于數(shù)學(xué)模型的方法兩類，需要人工進(jìn)行信息處理和判斷分析，沒有自學(xué)習(xí)能力。智能故障診斷是融合了人工智能技術(shù)的新方法，對(duì)故障信息有初步的自動(dòng)分析和學(xué)習(xí)能力。智能故障診斷是故障診斷技術(shù)發(fā)展進(jìn)程中的新里程碑。1956年人工智能學(xué)科正式誕生，1965年出現(xiàn)了專家系統(tǒng)雛形，1970年以后，人工智能逐步實(shí)用化。電網(wǎng)的故障過程難以用數(shù)學(xué)模型來進(jìn)行描述，運(yùn)行狀態(tài)信息也復(fù)雜多變，信號(hào)處理極其復(fù)雜，而人工智能技術(shù)能夠存儲(chǔ)和利用專家長期積累的經(jīng)驗(yàn)，能夠模擬人腦的邏輯思維過程進(jìn)行推理以解決復(fù)雜診斷問題；可以不受外界干擾地提供高質(zhì)量的服務(wù)，所以得到了廣泛的應(yīng)用。

電網(wǎng)故障診斷領(lǐng)域常用的人工智能技術(shù)包括專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策樹理論等，此外近幾年也出現(xiàn)了數(shù)據(jù)挖掘、模糊理論、粗糙集理論、Petri網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、信息融合、信息論、支持向量機(jī)、仿生學(xué)的應(yīng)用及多智能體系統(tǒng)等技術(shù)以及上述方法的綜合應(yīng)用。

專家系統(tǒng)可以匯集若干位專家的知識(shí)和經(jīng)驗(yàn)，進(jìn)行分析、推理，最終得出正確的結(jié)論，決策水平可以超過單個(gè)專家。所以故障診斷專家系統(tǒng)近年來成為熱門研究課題，尤其適合應(yīng)用于電力系統(tǒng)。1991年，故障診斷專家系統(tǒng)就已經(jīng)占美國電力工業(yè)中專家系統(tǒng)的總數(shù)的41%。故障診斷專家系統(tǒng)除了具備專家系統(tǒng)的一般結(jié)構(gòu)外，還具有自己的特殊性。它具有如下特點(diǎn)：①知識(shí)可以從類似系統(tǒng)、設(shè)備或工作實(shí)際、診斷實(shí)例中獲取，即知識(shí)來源比較規(guī)范；②診斷的對(duì)象是復(fù)雜的，行為是動(dòng)態(tài)的，故障是隨機(jī)的，普通人很難判斷，這時(shí)就需要通過討論或請(qǐng)專家來進(jìn)行診斷。

故障診斷專家系統(tǒng)中常用的推理機(jī)制可以劃分為正向推理、反向推理、正反向混合推理三種基礎(chǔ)推理結(jié)構(gòu)。正向推理的過程：系統(tǒng)發(fā)生故障時(shí)，根據(jù)斷路器和保護(hù)的動(dòng)作信息，按照知識(shí)指導(dǎo)的推理策略調(diào)動(dòng)知識(shí)庫在相關(guān)空間中搜索。當(dāng)規(guī)則的條件部分與診斷輸入信息相匹配，就將該規(guī)則作為可用規(guī)則放入候選隊(duì)列中，再通過沖突消解，將其作為進(jìn)一步推理的證據(jù)直至求得診斷結(jié)果。反向推理是首先提出假設(shè)，然后尋找支持該假設(shè)的證據(jù)，若所需證據(jù)都能夠找到，則表明該假設(shè)成立，反之假設(shè)不成立。正反向混合推理機(jī)是首先根據(jù)跳閘斷路器的保護(hù)信息進(jìn)行初步推理，得到故障設(shè)備的假設(shè)，然后根據(jù)所得假設(shè)以及斷路器和保護(hù)設(shè)備之間的邏輯規(guī)則進(jìn)行反向推理，驗(yàn)證假定的故障設(shè)備的正確性，有效的縮小查找故障范圍。幾十年以來，專家系統(tǒng)得到了大量深入的研究，具體實(shí)現(xiàn)方法很多，但是其推理過程的邏輯原理不外乎這三種。

目前已研究的故障診斷專家系統(tǒng)模型有：基于規(guī)則的診斷專家系統(tǒng)、基于案例的診斷專家系統(tǒng)、基于行為的診斷專家系統(tǒng)、基于故障樹的診斷專家系統(tǒng)、基于模糊邏輯的診斷專家系統(tǒng)、基于ANN的診斷專家系統(tǒng)和基于數(shù)據(jù)挖掘的診斷專家系統(tǒng)等。

（1）基于規(guī)則的診斷方法是根據(jù)以往專家診斷的經(jīng)驗(yàn)，將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗(yàn)知識(shí)進(jìn)行故障診斷，適合于已具有豐富經(jīng)驗(yàn)的專業(yè)領(lǐng)域的故障診斷?；谝?guī)則的診斷具有知識(shí)表述直觀、形式統(tǒng)一、易理解和解釋方便等優(yōu)點(diǎn)，診斷知識(shí)可以通過領(lǐng)域?qū)＜耀@取和繼承。但復(fù)雜系統(tǒng)所觀測(cè)到的癥狀與所對(duì)應(yīng)診斷之間的聯(lián)系是相當(dāng)復(fù)雜的，通過歸納專家經(jīng)驗(yàn)來獲取規(guī)則，準(zhǔn)確度和通用性不佳。

（2）基于案例的診斷方法適用于領(lǐng)域定理難以表示成規(guī)則形式，而是容易表示成案例形式并且已積累豐富案例的領(lǐng)域（如醫(yī)學(xué)診斷）。

（3）基于行為的診斷方法本質(zhì)也是基于規(guī)則的診斷。該方法的關(guān)鍵問題是：故障行為征兆（語義征兆、圖形征兆）的自動(dòng)獲取難度較大；新故障自動(dòng)識(shí)別和分類，尤其是如何解決多故障情況下的診斷，是該方法的難點(diǎn)。

（4）基于故障樹的診斷專家系統(tǒng)的實(shí)質(zhì)是一種改進(jìn)的基于規(guī)則的專家系統(tǒng)，計(jì)算機(jī)依據(jù)故障與原因的先驗(yàn)知識(shí)和故障率知識(shí)自動(dòng)輔助生成故障樹?；诠收蠘涞脑\斷方法類似于人類的思維方式，同時(shí)吸納了決策樹技術(shù)的優(yōu)點(diǎn)，易于理解，在設(shè)備診斷中應(yīng)用較多。

（5）基于模糊邏輯推理的診斷方法是先建立故障和征兆的模糊規(guī)則庫，再進(jìn)行模糊邏輯推理的診斷過程。但是故障與征兆的模糊關(guān)系較難確定，且系統(tǒng)的診斷能力依賴模糊知識(shí)庫，學(xué)習(xí)能力差，容易發(fā)生漏診或誤診。

（6）基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的診斷方法有較好的容錯(cuò)性、響應(yīng)快、強(qiáng)大的學(xué)習(xí)能力、自適應(yīng)能力和非線性逼近能力等，但是也存在固有的弱點(diǎn)：①系統(tǒng)性能受到所選擇的訓(xùn)練樣本集的有效性的限制；②不能解釋自己的推理過程和推理依據(jù)及其存儲(chǔ)知識(shí)的意義；③利用和表達(dá)知識(shí)的方式單一，通常只能采用數(shù)值化的知識(shí)；④最根本的一點(diǎn)是神經(jīng)網(wǎng)絡(luò)在模擬人類復(fù)雜層次的思維方面遠(yuǎn)遠(yuǎn)不及傳統(tǒng)的專家系統(tǒng)。

（7）基于數(shù)據(jù)挖掘的方法是隨著計(jì)算機(jī)技術(shù)的發(fā)展而逐步完善的，自從1989年8月由第11屆國際聯(lián)合人工智能學(xué)術(shù)會(huì)議提出這一概念以來，數(shù)據(jù)挖掘技術(shù)已經(jīng)取得了很大的進(jìn)步。數(shù)據(jù)挖掘可以是基于數(shù)學(xué)理論的，也可以是非數(shù)學(xué)的，可以是演繹的，也可以是歸納的。電力系統(tǒng)的故障信息包括故障征兆和故障性質(zhì)，信息量大而且基本規(guī)律穩(wěn)定，適合利用數(shù)據(jù)挖掘技術(shù)進(jìn)行處理?；跀?shù)據(jù)挖掘的比較新的應(yīng)用成果有：①2004年，負(fù)荷預(yù)測(cè)專家系統(tǒng)在安徽省電力公司得到應(yīng)用；②2006年，發(fā)電機(jī)故障診斷專家系統(tǒng)在某300MW機(jī)組得到應(yīng)用；③2008年，電網(wǎng)故障診斷專家系統(tǒng)在廊坊電力公司得到應(yīng)用。如何提高數(shù)據(jù)挖掘的適應(yīng)性，還需要更多的探索研究。

3 智能故障診斷面臨的問題和對(duì)策

電力系統(tǒng)中，設(shè)備故障診斷和廠站級(jí)的故障診斷經(jīng)過了幾十年的發(fā)展，已經(jīng)比較成熟，而系統(tǒng)級(jí)的故障診斷才初露頭角。目前，在故障診斷領(lǐng)域的研究中，對(duì)單個(gè)設(shè)備或者某個(gè)具體的故障現(xiàn)象的研究較多，對(duì)系統(tǒng)或綜合故障的研究較少；對(duì)定量信息利用的研究較多，對(duì)定性信息或不確定信息利用的研究較少；依靠單一智能技術(shù)的系統(tǒng)多，信息（特別是多源混合信息）的綜合利用研究較少，協(xié)同技術(shù)的研究應(yīng)用更少；投入運(yùn)行的診斷系統(tǒng)多為專家系統(tǒng)，但是離線運(yùn)行的多，在線運(yùn)行的很少?；谌斯ぶ悄艿墓收显\斷技術(shù)能夠提高對(duì)信息的利用廣度和深度，必將成為診斷技術(shù)發(fā)展的主流。

目前而言，基于規(guī)則的診斷專家系統(tǒng)是最為成熟的專家系統(tǒng)，但是投入實(shí)際應(yīng)用并取得良好效果的專家系統(tǒng)還不多，主要瓶頸是專家系統(tǒng)在規(guī)則庫的快速搜索、更新、擴(kuò)充等方面存在困難。如何高效地利用日益增加的監(jiān)控信息來完善規(guī)則庫，是專家系統(tǒng)實(shí)用化面臨的關(guān)鍵問題。通常把基于淺層知識(shí)（人類專家的經(jīng)驗(yàn)知識(shí)）的故障診斷專家系統(tǒng)稱為第一代專家系統(tǒng)，而把基于深層知識(shí)（診斷對(duì)象的模型知識(shí)）的故障診斷專家系統(tǒng)稱為第二代專家系統(tǒng)。近年出現(xiàn)的混合結(jié)構(gòu)的專家系統(tǒng)，是將上述兩層知識(shí)結(jié)合使用，以取長補(bǔ)短。計(jì)算機(jī)技術(shù)和人工智能技術(shù)的快速發(fā)展，是故障診斷技術(shù)進(jìn)步的契機(jī)。

智能故障診斷專家系統(tǒng)技術(shù)在應(yīng)用中存在的問題有：

（1）知識(shí)的獲取和管理問題，也可以說是規(guī)則的表達(dá)和維護(hù)問題。知識(shí)是專家系統(tǒng)行為的核心，如何根據(jù)系統(tǒng)的變化，獲取具有較高適應(yīng)度和準(zhǔn)確度的知識(shí)（規(guī)則）。對(duì)知識(shí)的一致性、冗余性、矛盾性和完備性進(jìn)行檢驗(yàn)、維護(hù)和管理，是專家系統(tǒng)亟需解決的首要問題。

（2）推理的效率問題，也可以說是如何解決規(guī)則組合爆炸的問題。規(guī)則庫的規(guī)模增大以后，搜索的運(yùn)算量迅速增長，盡管人們提出了許多算法，規(guī)則組合爆炸的問題還是沒有得到滿意的解決。

（3）故障診斷的在線應(yīng)用問題。以往的故障診斷離線運(yùn)行，只能告訴調(diào)度員已有故障是如何發(fā)展的，因?yàn)檫\(yùn)行方式的多變性，離線故障診斷結(jié)論不一定能夠指導(dǎo)調(diào)度員對(duì)電網(wǎng)的實(shí)際控制；只有做到在線運(yùn)行，才能及時(shí)幫助調(diào)度員進(jìn)行控制決策。

（4）故障診斷的動(dòng)態(tài)分析問題。以往的故障診斷只能進(jìn)行靜態(tài)分析，忽略了故障動(dòng)態(tài)過程的大量有用的細(xì)節(jié)，尤其是采用了高速保護(hù)的大型電網(wǎng)，更加需要分析動(dòng)態(tài)過程，例如快速相繼開斷過程中的順序和相互關(guān)系、復(fù)雜故障中各元件之間的相互影響、電壓崩潰的動(dòng)態(tài)過程、運(yùn)行方式切換或調(diào)度控制過程對(duì)電網(wǎng)的影響等。

為了解決上述問題，人們進(jìn)行了大量研究，提出了一些對(duì)策，總結(jié)如下：

（1）對(duì)于知識(shí)的獲取和管理問題，可以采用提高故障診斷系統(tǒng)的學(xué)習(xí)能力的方法，如ANN、數(shù)據(jù)挖掘、仿生學(xué)方法等。這些智能方法都有其優(yōu)點(diǎn)和局限性，需要有針對(duì)性地應(yīng)用。

（2）對(duì)于推理的效率問題，可以采用計(jì)算速度更快的計(jì)算機(jī)硬件和軟件算法，通信速度更快的數(shù)據(jù)采集和傳輸手段；數(shù)據(jù)挖掘是從各種復(fù)雜故障中發(fā)現(xiàn)最常見的故障或分解出簡(jiǎn)單故障的有力手段；建立系統(tǒng)的故障案例庫，可以降低決策分析的計(jì)算量，提高診斷推理的效率。

（3）對(duì)于故障診斷的在線應(yīng)用和動(dòng)態(tài)分析問題，可以采用更能夠反映電網(wǎng)實(shí)時(shí)運(yùn)行狀態(tài)的信息，如廣域量測(cè)系統(tǒng)、高速保護(hù)信息系統(tǒng)和故障錄波信息系統(tǒng)、穩(wěn)定控制系統(tǒng)等提供的動(dòng)態(tài)數(shù)據(jù)；實(shí)時(shí)進(jìn)行電網(wǎng)的靈敏度分析，動(dòng)態(tài)分析電網(wǎng)的健康狀況；增量挖掘技術(shù)只處理實(shí)時(shí)的增量數(shù)據(jù)，有在線應(yīng)用的潛力。

4 智能故障診斷技術(shù)的發(fā)展趨勢(shì)

智能故障診斷技術(shù)的發(fā)展趨勢(shì)主要有：多信息融合、多智能體協(xié)同、多種算法結(jié)合。

信息融合最早用于軍事領(lǐng)域，定義為一個(gè)處理探測(cè)、互聯(lián)、估計(jì)以及組合多源信息和數(shù)據(jù)的多層次多方面過程，以便獲得準(zhǔn)確的狀態(tài)和身份估計(jì)、完整而及時(shí)的戰(zhàn)場(chǎng)態(tài)勢(shì)和威脅估計(jì)。它強(qiáng)調(diào)信息融合的三個(gè)核心方面：第一，信息融合是在幾個(gè)層次上完成對(duì)多源信息的處理過程，其中每一層次都表示不同級(jí)別的信息抽象；第二，信息融合包括探測(cè)、互聯(lián)、相關(guān)、估計(jì)以及信息組合；第三，信息融合的結(jié)果包括較低層次上的狀態(tài)和身份估計(jì)，以及較高層次上的整個(gè)戰(zhàn)術(shù)態(tài)勢(shì)估計(jì)。多信息融合技術(shù)用于故障診斷是指故障診斷用到的信息的來源多樣化，而且信息處理的廣度和深度均有擴(kuò)展，信息的加工過程中，強(qiáng)調(diào)既能夠克服單一數(shù)據(jù)源的信息不足和丟失或錯(cuò)誤的問題，又能夠解決多數(shù)據(jù)源的信息冗余或重復(fù)或矛盾的問題，是一種有機(jī)的、智能的融合。大連理工大學(xué)2001年發(fā)表的研究成果表明，多信息融合技術(shù)的應(yīng)用能夠明顯提高故障診斷的準(zhǔn)確性。

一個(gè)智能體就是一個(gè)專家系統(tǒng)，多智能體也被稱為群專家系統(tǒng)。多智能體協(xié)同包括多種推理方法或計(jì)算功能之間的協(xié)同，以及分布式計(jì)算中不同區(qū)域之間的協(xié)同。在電網(wǎng)的故障診斷中，多智能體協(xié)同還可以用于協(xié)調(diào)電網(wǎng)不同區(qū)域之間的協(xié)同。區(qū)域間協(xié)同是通過把大電網(wǎng)分為幾個(gè)小電網(wǎng)進(jìn)行協(xié)同推理計(jì)算，降低推理計(jì)算的維度和知識(shí)存儲(chǔ)來提高速度；功能協(xié)同是利用相互可以交換數(shù)據(jù)和計(jì)算結(jié)果的多個(gè)子系統(tǒng)同時(shí)協(xié)作計(jì)算，并行完成不同的子功能，以提高整體的速度。2007年，中國電力科學(xué)研究院的學(xué)者結(jié)合利用基于規(guī)則推理的方法和基于貝葉斯網(wǎng)絡(luò)的診斷方法，對(duì)含不確定性信息的復(fù)雜故障的診斷進(jìn)行了多智能體協(xié)同診斷的研究，結(jié)果表明，能夠?qū)崿F(xiàn)更快更準(zhǔn)確的診斷。

隨著智能診斷技術(shù)的發(fā)展和研究的深入，人們陸續(xù)提出了大量的新思路和新算法。例如基于規(guī)則的算法、基于案例的算法、基于行為的算法、基于故障樹的算法、基于模糊邏輯的算法、基于ANN的算法和基于數(shù)據(jù)挖掘的算法，還有支持向量機(jī)算法、Petri網(wǎng)算法、遺傳算法、魚群算法、蟻群算法、鳥群算法等，各種算法都有其特點(diǎn)和長處。專家系統(tǒng)技術(shù)應(yīng)用最廣，最為成熟，缺點(diǎn)是學(xué)習(xí)能力不強(qiáng)；ANN技術(shù)和專家系統(tǒng)技術(shù)相比，其最大的特點(diǎn)是不需要為專業(yè)知識(shí)與專家啟發(fā)性的知識(shí)轉(zhuǎn)化、知識(shí)形成、知識(shí)表達(dá)方式和知識(shí)庫構(gòu)造作大量工作，而只需以領(lǐng)域?qū)＜宜峁┑拇罅亢统浞值墓收蠈?shí)例，形成故障診斷ANN模型的訓(xùn)練樣本集，運(yùn)用一定的學(xué)習(xí)算法對(duì)樣本集進(jìn)行訓(xùn)練。它的推理是隱式的，執(zhí)行計(jì)算速度很快。由于ANN具有強(qiáng)的自組織、自學(xué)習(xí)能力，魯棒性高，免去推理機(jī)的構(gòu)造，且推理速度與規(guī)模大小無明顯的關(guān)系，能夠在很大程度上克服專家系統(tǒng)的缺點(diǎn)，因此成為了與專家系統(tǒng)結(jié)合應(yīng)用最廣的技術(shù)。但是ANN技術(shù)難以適用于運(yùn)行方式經(jīng)常變化的電力系統(tǒng)；決策樹技術(shù)能夠?qū)ο到y(tǒng)信息進(jìn)行歸類梳理，可以用于提高專家系統(tǒng)的速度，但是前提是需要建立清晰的數(shù)學(xué)模型；數(shù)據(jù)挖掘可以用于量化分析診斷的準(zhǔn)確度，但是數(shù)據(jù)挖掘技術(shù)本身還需要進(jìn)一步完善。研究和實(shí)踐表明，這幾種技術(shù)的結(jié)合應(yīng)用有助于提高故障診斷系統(tǒng)的智能水平、效率或準(zhǔn)確度。智能故障診斷技術(shù)的進(jìn)一步完善，在一定程度上依賴多種算法的結(jié)合緊密度和有效度。

總而言之，智能故障診斷技術(shù)正向提高智能性、快速性、全局性、協(xié)同性的方向發(fā)展，從而產(chǎn)生更加高效和準(zhǔn)確的診斷結(jié)果。

5 結(jié)論

智能故障診斷是故障診斷技術(shù)發(fā)展進(jìn)程中的新里程碑。常用的智能故障診斷技術(shù)有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策樹、數(shù)據(jù)挖掘等，專家系統(tǒng)技術(shù)應(yīng)用最廣，最為成熟，但是也需要結(jié)合使用其他智能技術(shù)來克服專家系統(tǒng)技術(shù)自身的缺點(diǎn)。智能故障診斷技術(shù)的發(fā)展趨勢(shì)主要有多信息融合、多智能體協(xié)同、多種算法結(jié)合等，并向提高智能性、快速性、全局性、協(xié)同性的方向發(fā)展。